論文の概要: MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting
- arxiv url: http://arxiv.org/abs/2306.10356v2
- Date: Sat, 2 Mar 2024 08:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 20:55:06.418308
- Title: MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting
- Title(参考訳): MATNet:日頭PV生成予測のためのマルチレベル核融合変圧器モデル
- Authors: Matteo Tortora, Francesco Conte, Gianluca Natrella, Paolo Soda
- Abstract要約: MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
- 参考スコア(独自算出の注目度): 0.47518865271427785
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate forecasting of renewable generation is crucial to facilitate the
integration of RES into the power system. Focusing on PV units, forecasting
methods can be divided into two main categories: physics-based and data-based
strategies, with AI-based models providing state-of-the-art performance.
However, while these AI-based models can capture complex patterns and
relationships in the data, they ignore the underlying physical prior knowledge
of the phenomenon. Therefore, in this paper we propose MATNet, a novel
self-attention transformer-based architecture for multivariate multi-step
day-ahead PV power generation forecasting. It consists of a hybrid approach
that combines the AI paradigm with the prior physical knowledge of PV power
generation of physics-based methods. The model is fed with historical PV data
and historical and forecast weather data through a multi-level joint fusion
approach. The effectiveness of the proposed model is evaluated using the
Ausgrid benchmark dataset with different regression performance metrics. The
results show that our proposed architecture significantly outperforms the
current state-of-the-art methods. These findings demonstrate the potential of
MATNet in improving forecasting accuracy and suggest that it could be a
promising solution to facilitate the integration of PV energy into the power
grid.
- Abstract(参考訳): RESの電力システムへの統合を促進するためには、再生可能エネルギーの正確な予測が不可欠である。
PVユニットに焦点を当てた予測方法は、物理ベースの戦略とデータベースの戦略の2つの主要なカテゴリに分けることができる。
しかし、これらのAIベースのモデルは、データ内の複雑なパターンや関係をキャプチャできるが、その現象の物理的な事前知識を無視している。
そこで本稿では,多変量多段型日頭PV発電予測のための自己注意型トランスフォーマーアーキテクチャであるMATNetを提案する。
aiパラダイムと、物理ベースの手法のpv発電に関する事前の物理知識を組み合わせたハイブリッドアプローチで構成されている。
このモデルは、歴史的pvデータと、多層融合アプローチによる過去の気象データと予測予報データによって供給される。
回帰性能指標の異なるausgridベンチマークデータセットを用いて,提案モデルの有効性を評価した。
その結果,提案アーキテクチャは現在の最先端手法よりも大幅に優れていた。
これらの結果はmatnetが予測精度を向上させる可能性を示し、太陽光発電の電力網への統合を促進するための有望な解決策であることを示唆している。
関連論文リスト
- CoCoGen: Physically-Consistent and Conditioned Score-based Generative
Models for Forward and Inverse Problems [1.2277343096128712]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳(メタデータ) (2023-12-16T19:56:10Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent
Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測を実現することを目的とした神経自己回帰モデルについて述べる。
論文 参考訳(メタデータ) (2023-03-15T09:03:58Z) - Evaluating generative models in high energy physics [7.545095780512178]
生成モデルの故障モードに対する評価指標とその感度に関する最初の体系的レビューと調査を行う。
我々はFr'echetとカーネル物理距離(FPDとKPD)の2つの新しい指標を提案し、その性能を計測する様々な実験を行った。
提案手法の有効性を検証し, 新規な注目型生成逆数粒子変換器と, 最先端のメッセージ通過型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
論文 参考訳(メタデータ) (2022-11-18T15:36:28Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - An Adaptive Deep Learning Framework for Day-ahead Forecasting of
Photovoltaic Power Generation [0.8702432681310401]
本稿では,従来のデータから一般知識を取得するだけでなく,新たなデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。
開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
論文 参考訳(メタデータ) (2021-09-28T02:39:56Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Forecasting Photovoltaic Power Production using a Deep Learning Sequence
to Sequence Model with Attention [0.0]
本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。
提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。
その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
論文 参考訳(メタデータ) (2020-08-06T17:20:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。